复合函数

复合函数求导法则 来源： CSDN 作者： Major_s 链接： https://blog.csdn.net/qq_41375318/article/details/103904131

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zsp765098084/article/details/91439054 与高阶函数类似，复合函数的参数也是一个函数，不同的是，复合函数通过中缀表达式定义的函数，最终实现同参数及返回值的各种函数之间的复合运算。 举个例子，实现复合函数m(x) = f(g(x))的运算函数 //首先自定义函数f(x)和g(x) //g(x) val add5 = {i:Int->i+5} //f(x) val multiplyBy2 = {i:Int -> i*2} //首先在学习复合函数之前，我们实现f(g(x))的运算会使用如下调用 fun main(){ val result = multiplyBy2(add5(8)) //传入参数值8 println(result) } 运行结果 26 下面使用kotlin中复合函数的功能实现该功能： //解析 //infix 是中缀表达式，所以最终调用addThen的时候不需要用function.addThen的方式调用，这里addThen是自定义扩展函数 //关于这里的几个泛型参数P1、P2、R，以m(x) = f(g(x))为例 //P1为原始参数x，P2为g(x)，R为最终返回值m(x) //关于Function1<P1,P2> 这里P1为参数

IT互联网行业有个有趣现象，玩资本的人、玩产品的人、玩技术的人都能很好的在这个行业找到自己的位置并取得成功，而且可以只懂其中一样，不需要懂其余两样。玩技术的人是里面最难做的，也是三者收益最低的，永远都要不停学习，不停把画饼变成煎饼。 在今年5月底，Alphago又战胜了围棋世界冠军柯洁，AI再次呈现燎原之势席卷科技行业，吸引了众多架构师对这个领域技术发展的持续关注和学习，思考AI如何做工程化，如何把我们系统的应用架构、中间件分布式架构、大数据架构跟AI相结合，面向什么样的应用场景落地，对未来做好技术上的规划和布局。 之前发表过一篇文章 《如何用70行Java代码实现深度神经网络算法》 （点击「阅读原文」获得文章），记录了深度神经网络的计算过程和程序实现，本文再进一步研究一下背后的数学原理。 为了彻底理解深度学习，我们到底需要掌握哪些数学知识呢？经常看到会列出一系列数学科目：微积分、线性代数、概率论、复变函数、数值计算等等。这些数学知识有相关性，但实际上这是一个最大化的知识范围，学习成本会非常久，本文尝试归纳理解深度学习所需要的最小化数学知识和推导过程。 （以下根据作者的学习理解整理，有误之处，欢迎专家学者提出指导批评）。 多层神经网络的函数构成关系 多层神经网络从输入层，跨多个隐含层，到最后输出层计算误差，从数学上可以看做一系列函数的嵌套组合而成，上一层函数输出做为下一层函数输入